使用 python 识别简单验证码

概述

• 简介

• 坑！

• 安装 Tesseract-OCR

• 使用 pytesseract 识别验证码

• 高级玩法 - 除线

简介

首先呢，简单的验证码是这样的：

code.jpg

不是这样的：

image.png

这里使用了 pytesseract 来进行验证码识别，它是基于 Google 的 Tesseract-OCR ，所以在使用之前需要先安装 Tesseract-OCR。使用 PIL 来进行图像处理。pytesseract 默认支持 tiff、bmp 图片格式，使用 PIL 库之后，能够支持 jpeg、gif、png 等其他图片格式；

坑！

PIL(Python Imaging Library) 库只支持 32 位的系统，如果要在 64 位系统中使用，请安装 pillow。嗯，这个真是坑死我了，为了安装这个倒腾了很久。希望能帮到你。

pillow 中文文档

pillow 的缘由：由于PIL仅支持到Python 2.7，加上年久失修，于是一群志愿者在PIL的基础上创建了兼容的版本，名字叫Pillow，支持最新Python 3.x，又加入了许多新特性。

32 位系统

pip install PIL

64 位系统

pip install pillow

安装 Tesseract-OCR

在使用 pytesseract 之前，必须安装 tesseract-ocr ，因为 pytesserat 依赖于 tesseract-ocr ，否则无法使用

tesseract-ocr GitHub 官方地址

Mac

brew install tesseract

centos7

yum-config-manager --add-repo https://download.opensuse.org/repositories/home:/Alexander_Pozdnyakov/CentOS_7/
yum update
yum install tesseract 
yum install tesseract-langpack-deu

windows

download-address

使用 pytesseract 识别验证码

首先将图像灰度化

    #使用路径导入图片
    im = Image.open(imgimgName)    #使用 byte 流导入图片
    # im = Image.open(io.BytesIO(b))
    # 转化到灰度图
    imgry = im.convert('L')    # 保存图像
    imgry.save('gray-' + imgName)

灰度化的图像是这个样子的：

gray-code.jpg

然后将图像二值化

    # 二值化，采用阈值分割法，threshold为分割点
    threshold = 140
    table = []    for j in range(256):        if j < threshold:
            table.append(0)        else:
            table.append(1)    out = imgry.point(table, '1')    out.save('b' + imgName)

二值化的图像是这个样子的：

two-code.jpg

最后进行识别

 #  识别
    text = pytesseract.image_to_string(out)    print("识别结果："+text)

识别结果是这样的：

image.png

高级玩法 - 除线

上面的知识简单的处理，在日常网络冲浪中，我们还会遇到这样的验证码：

logo3.gif

这个给我们的识别增加了难度，我们要做的就是将这条线去掉。详细代码如下：

def removeLine(imgName):
    (img, pixdata) = open_img(imgName)    for x in range(img.size[0]):  # x坐标
        for y in range(img.size[1]):  # y坐标
            if pixdata[x, y][0] < 8 or pixdata[x, y][1] < 6 or pixdata[x, y][2] < 8 or (
                    pixdata[x, y][0] + pixdata[x, y][1] + pixdata[x, y][2]) <= 30:  # 确定颜色阈值
                if y == 0:
                    pixdata[x, y] = (255, 255, 255)                if y > 0:                    if pixdata[x, y - 1][0] > 120 or pixdata[x, y - 1][1] > 136 or pixdata[x, y - 1][2] > 120:
                        pixdata[x, y] = (255, 255, 255)  # ?

    # 二值化处理
    for y in range(img.size[1]):  # 二值化处理，这个阈值为R=95，G=95，B=95
        for x in range(img.size[0]):            if pixdata[x, y][0] < 160 and pixdata[x, y][1] < 160 and pixdata[x, y][2] < 160:
                pixdata[x, y] = (0, 0, 0)            else:
                pixdata[x, y] = (255, 255, 255)
    img.filter(ImageFilter.EDGE_ENHANCE_MORE)  # 深度边缘增强滤波，会使得图像中边缘部分更加明显（阈值更大），相当于锐化滤波
    img.resize(((img.size[0]) * 2, (img.size[1]) * 2), Image.BILINEAR)  # Image.BILINEAR指定采用双线性法对像素点插值#?
    img.save('remove-' + imgName)
    print("除线成功！")
    recognize('remove-' + imgName)

那么我们的运行结果是这样的：

bremove-logo3.gif

总结

经过这么一些折腾，我们总算是看到了我们想要的结果，但是我很遗憾地告诉你，pytesseract 还是无法识别处理过的图片，他的识别结果是这样的：

image.png

结果有点令人痛心，不过我们也算是为我们的目标踏进了一小步。你以为这篇文章就这样完了吗？嗯，是的，这篇文章就这样完了。不过好在 pytesseract 提供了自定义训练功能，来提高识别能力（也可以自建神经网络进行识别），这个暂且放到下一篇文章来写吧，因为今天是七夕耶。

作者：zone7_
链接：https://www.jianshu.com/p/f28dc8af1aee